©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Xtended

O paradoxo do upskilling: por que usar IA exige das pessoas mais profundidade técnica, não menos

Uma onda crescente de programas corporativos de letramento em IA está ensinando as habilidades erradas. Estudos sugerem que os gestores que sabem usar bem a IA não são os fluentes em prompts — são os fluentes nos fundamentos que os prompts encobrem

Carlos Cruz

13 de julho de 2026

25 min de leitura

Um  argumento  familiar  tomou  conta  dos  círculos  executivos  desde  2023.  Ele  funciona aproximadamente assim: os grandes modelos de linguagem colapsaram o custo de produzir output tecnicamente competente. Código, análise estatística, modelos financeiros, revisões de literatura científica — trabalho que antes exigia anos de formação formal — podem agora ser gerados em segundos por qualquer pessoa capaz de escrever uma instrução clara. A implicação estratégica,  segue  o  argumento,  é  que  as  organizações  deveriam  parar  de  investir  em profundidade  técnica  e,  em  vez  disso,  cultivar  as  capacidades  de  ordem  superior  que  as máquinas  não  conseguem  replicar:  raciocínio  abstrato,  pensamento  sistêmico,  síntese conceitual. STEM [o estudo de ciência, tecnologia, engenharia e matemática] foi democratizado; o que permanece escasso é o julgamento.

O argumento é sedutor porque contém uma verdade parcial. Também é, como atualmente implementado dentro da maioria das corporações, perigoso. Ele se apoia em um pressuposto empiricamente errado: o de que se pode raciocinar bem sobre um sistema que não se compreende. O oposto está mais próximo da verdade. A capacidade de usar IA bem e de distinguir um output correto de um output plausível, de detectar quando um modelo está operando próximo à borda de sua competência, de desenhar fluxos de trabalho que compensem seus modos de falha não flutua livremente do conhecimento técnico. É função dele.

Esse é o paradoxo no centro das discussões atuais nas organizações. As próprias capacidades que as organizações, com razão, mais valorizam na era da IA — julgamento, calibração e pensamento sistêmico — são capacidades que exigem letramento técnico mais profundo para serem exercidas, não mais raso. E a resposta corporativa dominante, uma onda de programas de “AI literacy” centrados em prompt engineering e fluência em ferramentas, está produzindo o inverso: uma geração de usuários que se sente competente precisamente onde está mais exposta.

As evidências disso se acumularam rapidamente e apontam em uma direção.

Um experimento realmente valioso e revelador

A peça de evidência empírica mais citada sobre trabalho do conhecimento aumentado por IA é o experimento de campo conduzido em 2023 por pesquisadores de Harvard, MIT Sloan, Wharton e Warwick, em colaboração com a Boston Consulting Group. O achado de manchete foi repetido milhares de vezes: consultores usando GPT-4 concluíram 12,2% mais tarefas, as completaram 25,1% mais rapidamente e produziram output avaliado como 40% superior em qualidade. O resultado foi particularmente impressionante entre os consultores de menor desempenho, cujo output melhorou 43% sobre a linha de base, contra 17% entre os de melhor desempenho. A implicação que a imprensa de gestão agarrou: a IA é uma grande equalizadora, elevando o piso mais do que o teto.

Esse resumo não está errado. Está incompleto de uma maneira que tem consequências importantes.

O mesmo experimento rodou uma segunda condição, desenhada deliberadamente para situar-se logo fora da competência do modelo: uma tarefa de estratégia de marca que exigia integrar dados quantitativos de desempenho com material qualitativo de entrevistas de formas que o GPT-4 sistematicamente interpretava mal. Nessa tarefa, os consultores que usaram IA tiveram desempenho 19 pontos percentuais pior que aqueles trabalhando sem ela. Crucialmente, não apenas deixaram de se beneficiar. A ferramenta degradou ativamente seu julgamento. Eles ficaram mais confiantes em respostas piores.

Os pesquisadores deram a esse fenômeno um nome que desde então entrou no léxico: a “jagged technology frontier” (fronteira tecnológica irregular), o limite irregular ao longo do qual a assistência de IA melhora o desempenho em algumas tarefas e o piora em outras, mesmo dentro do mesmo fluxo de trabalho e mesmo quando as tarefas parecem similares em dificuldade.

A fronteira é irregular porque não segue a intuição humana de “difícil” versus “fácil”. Modelos podem escrever um memorando executivo razoável e falhar em contar as letras de uma palavra. Podem resolver problemas de física em nível de pós-graduação e fabricar citações a decisões judiciais inexistentes.

A consequência é direta. O ganho de produtividade de um trabalhador com IA não é uma propriedade do trabalhador ou da ferramenta isoladamente. É uma propriedade da capacidade do trabalhador de localizar, em tempo real, em qual lado da fronteira uma dada tarefa se situa. Localizar essa fronteira exige precisamente o conhecimento substantivo, expertise de domínio, intuição estatística e acuidade metodológica — e isto o currículo de “AI literacy como fluência em prompts” deixa de lado.

Um estudo de acompanhamento por alguns dos mesmos pesquisadores, examinando logs de atividade de mais de 70 consultores da BCG na tarefa fora da fronteira, trouxe à tona um achado ainda mais desconfortável. Quando os consultores tentavam validar outputs suspeitos da IA consultando novamente o modelo, eram sistematicamente persuadidos pelo modelo a aceitar respostas erradas, um fenômeno que os autores chamam de “persuasion bombing” (bombardeio persuasivo). O remédio intuitivo — treinar os trabalhadores para serem mais céticos, para verificar antes de aceitar — mostra-se insuficiente quando a ferramenta de verificação é a própria ferramenta sendo verificada. Sem uma base técnica independente a partir da qual contestar o modelo, o diálogo com ele converge, mais frequentemente do que não, em seu erro inicial.

Isso não é um argumento contra o uso de IA. É um argumento contra uma teoria específica de como os humanos se tornam usuários competentes dela.

O problema dos 95% e o que ele realmente mede

Um segundo corpo de evidências avança na mesma direção por um ângulo diferente. Em 2025, a iniciativa NANDA do MIT publicou um estudo, baseado em entrevistas com executivos, pesquisas com funcionários e análise de 300 implantações corporativas de IA, que ficou conhecido por uma única estatística: aproximadamente 95% dos pilotos corporativos de IA generativa não entregam impacto mensurável no P&L. O investimento corporativo em IA generativa chegou a uma estimativa de US$ 30–40 bilhões globalmente, sem retorno até agora.

O número é contestado nos detalhes, e metodologicamente é um retrato instantâneo, não um veredito. Mas o padrão subjacente é corroborado por múltiplos estudos independentes. A definição do estudo da McKinsey traz a visão de que 6% dos entrevistados se enquadram na classificação de “profissionais de alto desempenho” que significa que estes buscam inovação transformadora por meio da IA, redesenham fluxos de trabalho, escalam mais rapidamente, implementam as melhores práticas de transformação em suas organizações. Pesquisas setoriais sugerem que 42% das empresas abandonaram a maior parte de suas iniciativas de IA em 2025, alta acentuada sobre os 17% de 2024. O padrão não é sutil.

O que é mais interessante do que a taxa de falha é o modo de falha. A pesquisa do MIT verificou que a causa próxima da estagnação dos pilotos não é a qualidade dos modelos, os modelos de fronteira em 2025 são extraordinariamente capazes, mas o que os autores chamam de “o gap de aprendizado” tanto para ferramentas quanto para organizações. Ferramentas de prateleira, implantadas sem integração com fluxos de trabalho reais ou sem encadeamento lógico de domínio do trabalho, produzem demos deslumbrantes e valor trivial. Enquanto isso, 90% dos trabalhadores reportam uso diário de ferramentas pessoais de IA como Claude, ChatGPT, Gemini em tarefas de trabalho, mesmo quando apenas 40% de seus empregadores têm assinaturas oficiais. A “shadow AI economy” (economia paralela de IA) é onde a maior parte do real ganho de produtividade está acontecendo, e está acontecendo de forma invisível, sem governança de dados e da IA com alta desigualdade em qualidade.

A narrativa convencional é que isso é um problema de implementação, questão de melhor selecionar os fornecedores, ter gestão de mudança mais afiada, governança mais granular. Esse diagnóstico é verdadeiro, mas parcial. Subjacente ao problema de implementação há um problema de competência. Organizações não conseguem integrar IA em fluxos de trabalho que não compreendem em nível de detalhe fino, e não conseguem avaliar promessas de fornecedores se lhes faltam pessoas capazes de ler um model card, interrogar um benchmark de avaliação, ou distinguir um sistema de recuperação por embeddings de um modelo fine-tuned. As decisões que determinam o resultado de 5% versus 95%, o que construir versus comprar, onde posicionar o modelo em um fluxo, qual harness de avaliação usar, quando confiar em um output e quando delegar. Estas são decisões que exigem letramento técnico substantivo no nível das pessoas que as utilizam, não apenas no time de dados, inteligência artificial ou engenharia.

O erro no núcleo do letramento corporativo em IA

A maioria das grandes organizações respondeu ao momento da IA lançando alguma versão de um programa de “AI literacy”. A taxonomia é reconhecível. Geralmente há uma camada de treinamento obrigatório de conscientização (o que é IA generativa, quais são os riscos, qual é a política de uso aceitável). Acima dela, uma camada de workshops de prompt engineering padrões, templates, frameworks com nomes mnemônicos. As organizações mais ambiciosas acrescentam uma terceira camada de “embaixadores de IA” por função, que recebem exposição um pouco mais profunda e servem como evangelistas internos.

A arquitetura é racional, mas o conteúdo, em boa medida, está errado sobre o que produz.

Considere o que o prompt engineering, ensinado isoladamente, de fato treina. Treina o usuário a formular instruções mais claras, estruturar pedidos em passos discretos, fornecer exemplos e pedir que o modelo raciocine explicitamente. São hábitos úteis. Mas operam inteiramente no nível da interface entre o usuário e o modelo. Não equipam o usuário para raciocinar sobre o sistema a distribuição de treinamento, os modos de falha conhecidos do modelo, a relação entre confiança e calibração, a forma como retrieval-augmented Generation (RAG) difere em modo de falha de sistemas fine-tuned, porque um modelo que acerta um problema de cálculo pode fabricar uma data. Habilidade em engenharia de prompt ajuda você a perguntar melhor; não ajuda a saber quando a resposta está errada.

O trabalho empírico sobre isso começa a convergir. Um estudo revisado por pares constatou que letramento em IA mais alto medido como conhecimento substantivo sobre como sistemas de IA funcionam, não como facilidade em formular prompts prediz a qualidade dos outputs de LLM que os usuários obtêm. Habilidade em prompting importa, mas é derivada do letramento em IA subjacente. Um usuário que compreende o que um LLM está fazendo quando gera uma resposta prevendo tokens a partir de uma distribuição condicionada ao contexto, de uma forma que não possui mecanismo intrínseco de verificação ou contenção escreverá melhores prompts porque tem um modelo mental acurado da superfície de falha. Um usuário que apenas aprendeu templates de prompt está fazendo correspondência de padrões contraexemplos, sem uma teoria de quando o padrão se sustentará.

Há uma versão mais profunda desse ponto. As habilidades cognitivas celebradas no discurso contemporâneo sobre IA como raciocínio abstrato, pensamento sistêmico, julgamento probabilístico não são passageiras. São, quase sem exceção, habilidades específicas a um domínio que se desenvolvem por meio do engajamento com a substância técnica de um campo. O “pensamento sistêmico” de um cientista de dados sênior sobre um pipeline de recomendação se constrói de anos depurando problemas de cold-start, observando deriva de distribuição e entendendo por que métricas offline de um modelo divergem de seu comportamento online. A incerteza calibrada de um radiologista diante de um diagnóstico assistido por IA se constrói de mil casos em que esteve errado de maneiras particulares. Retire a substância do conhecimento técnico e o que sobra não é uma meta-habilidade transferível é um vocabulário com baixa capacidade de gerar benefícios tangíveis.

É por isso que a tese de “vamos contratar generalistas que sabem pensar e deixá-los direcionar a IA” tende a falhar na prática. Os generalistas, sem ancoragem técnica, recorrem ao que o modelo diz. Tornam-se, na prática, transmissores de outputs de modelos fluentes na linguagem da síntese, estruturalmente incapazes de contestá-la ou aplicar o pensamento divergente necessário.

A demanda assimétrica por profundidade técnica

O que muda na era da IA não é a importância da fluência técnica. O que muda é sua distribuição pela organização.

Antes dos LLMs, a profundidade técnica vivia primordialmente em funções especialistas — engenharia, ciência de dados, pesquisa quantitativa, certos cantos de finanças e operações. A maior parte do restante da organização conseguia funcionar com letramento técnico limitado porque seus fluxos de trabalho eram amortecidos por especialistas que traduziam entre domínios. Um diretor de marketing não precisava entender as premissas estatísticas de um modelo de atribuição porque o time de analíticos entendia, e os outputs desse time chegavam ao diretor já pré-interpretados.

As ferramentas de IA colapsam esse amortecedor. Quando um diretor de marketing pode pedir diretamente a um modelo uma análise de atribuição, a solidez da análise depende de o diretor conseguir avaliá-la. O time especialista já não está no circuito, ou só entra no circuito após a decisão já ter sido moldada por um output não verificado. A mesma dinâmica se desenrola em jurídico, finanças, estratégia, RH e produto. A avaliação relevante para a decisão migrou a montante, para pessoas a quem falta o treinamento especialista que costumava fazer o trabalho.

A resposta estratégica não é recuar do uso de IA até que todos estejam treinados como cientistas de dados. Isso não é viável nem necessário. A resposta é reconhecer que “AI literacy” em 2026 precisa significar algo substantivamente diferente do que a maioria dos programas atuais oferece. Precisa significar:

• Compreensão operacional de como as classes dominantes de modelos se comportam compreendendo no que são bons em virtude de como foram treinados, no que são consistentemente ruins, o que seus sinais de confiança significam e não significam.
• Letramento estatístico e probabilístico suficiente para ler avaliações de modelos criticamente, distinguir correlação de causação em uma análise gerada e raciocinar sobre incerteza como algo além de uma ressalva retórica.
• Profundidade de domínio suficiente para que o usuário reconheça quando um output viola uma restrição que o modelo desconhece, ter a visão sobre governança de dados e inteligência artificial bem como regras regulatórias que se aplicam a realidade organizacional.
• O hábito de tratar outputs de modelo como hipóteses a serem verificadas contra fontes independentes, não como conclusões a serem editadas.

Nada disso é exótico. Tudo isso é ensinável. Nada disso é ensinado em um workshop de duas horas sobre padrões de escrita de prompts.

Cinco implicações para gestores no dia seguinte

O argumento se traduz em decisões concretas que cabem a líderes, não a departamentos de treinamento:

Reconsidere o currículo. Se seu programa de letramento em IA é construído em torno de prompt engineering, tours de ferramentas e políticas de uso aceitável, você está treinando pessoas na parte fácil. A parte difícil é a parte que determina se sua organização estará nos 5% que capturam valor real ou nos 95% que não capturam é o letramento substantivo em IA: comportamento de modelos, raciocínio estatístico, verificação especializada em domínio. Esse é mais difícil de ensinar, leva mais tempo para ser absorvido e resiste à gamificação. Também é o único treinamento que se acumula.

Reconsidere para que você está contratando. A tentação, num momento em que a IA reduz o custo de produzir output competente, é reduzir o quadro em funções técnicas e somar orquestradores generalistas. Os dados da BCG e os dados de falha corporativa sugerem que esse é o movimento errado. O que está se tornando mais escasso, não mais abundante, são pessoas com profundidade técnica para avaliar trabalho gerado por IA em seu domínio. A alavanca não é em muitos casos a contratação de generalistas que sabem fazer prompts; são especialistas que sabem julgar e sobretudo entendem com a governança de dados e da IA podem alavancar o potencial produtivo das organizações.

Reconsidere onde você coloca o modelo no fluxo de trabalho. A pesquisa sobre a jagged frontier implica que a questão de quando, em um processo decisório, introduzir IA importa tanto quanto a questão de usá-la ou não. Tarefas bem dentro da fronteira — redação inicial, sumarização, análise estruturada de inputs bem especificados — beneficiam-se inequivocamente da assistência de IA na entrada. Tarefas próximas à fronteira ou além dela — chamadas de julgamento sob ambiguidade, integração de evidência qualitativa e quantitativa, decisões cujo custo do erro confiante é assimétrico — exigem uma arquitetura de fluxo diferente, na qual a IA é consultada mais tarde, contra restrições já estabelecidas pelo raciocínio humano, com porteiros de verificação explícitos. Projetar essa arquitetura exige saber onde sua fronteira está. Esse saber é empírico, específico de domínio, e adquirido apenas por fazer o trabalho técnico.

Distinga produtividade de capacidade. A “shadow AI economy” é real e está produzindo ganhos genuínos de produtividade de curto prazo nas organizações. Esses ganhos não são evidência de que a organização esteja desenvolvendo capacidade em IA. São evidência de que trabalhadores individuais estão contornando inadequações organizacionais. Uma organização que confunde as duas coisas que lê o uso pessoal de ChatGPT por seus trabalhadores como prova de que “somos uma empresa orientada por IA” — está se preparando para o momento em que os ganhos fáceis se estabilizam e o trabalho mais difícil de integração, que exige o letramento substantivo que a organização não construiu, se torna a restrição com impacto sério no futuro da organização principalmente nos níveis de produtividade.

Aceite o custo de fazer isso a sério. Letramento substantivo em IA não é de graça. Exige investimento em educação que se parece mais com curso de pós-graduação do que com treinamento corporativo mais lento, mais difícil, menos satisfatório para os dashboards de departamentos de T&D. Exige práticas de contratação que preservem profundidade técnica em funções nas quais a tentação será diluí-la. Exige aceitar que os executivos mais bem equipados para tomar decisões estratégicas da era da IA serão aqueles com fluência técnica substancial, o que tem implicações sobre quem será promovido e desenvolvido nos próximos cinco anos.

O contra-argumento e por que ele não se sustenta

Há uma versão séria do ponto de vista oposto, e ela merece uma resposta honesta.

A visão é a seguinte: as capacidades de IA estão avançando rapidamente. A jagged frontier de 2023 é mais lisa em 2026 e será ainda mais lisa em 2028. A profundidade técnica que você está pedindo aos gestores que desenvolvam é profundidade em um alvo móvel. Quando a adquirirem, o modelo já terá fechado o gap, e o investimento terá sido em vão. Melhor construir organizações capazes de absorver capacidade crescente de IA com mínimo atrito — fluência em ferramentas, abertura a mudança — e deixar o trabalho técnico continuar a ser feito por especialistas onde for indispensável.

Não é uma posição tola. A fronteira está genuinamente se deslocando. No benchmark SWE-bench Verified de codificação, o desempenho de IA subiu de 60% para perto de 100% em um único ano, entre 2024 e 2025. Tarefas que exigiam engenheiros sêniores em 2023 estão ao alcance dos modelos de fronteira hoje.

Mas a inferência não se sustenta por três razões:

Primeira, a fronteira se desloca de forma desigual. Benchmarks de código são fáceis de construir e o sinal de feedback para treinamento é limpo. Tarefas que envolvem integração de conhecimento organizacional tácito, nuance regulatória, negociação entre múltiplas partes ou afirmações causais contestadas não são, e não serão em breve, capturáveis por benchmarks. A fronteira permanecerá irregular nas dimensões que mais importam para a tomada de decisão estratégica, mesmo enquanto avança dramaticamente em dimensões que importam menos.

Segunda, o custo de avaliar mal a fronteira é assimétrico. Um gestor que superestima a capacidade de IA em uma tarefa que se revela fora da fronteira toma de modo confiante uma decisão errada e descobre o erro depois de agir sobre ele. O custo não é simétrico ao custo de subestimar a fronteira e fazer o trabalho manualmente. Estruturas de custo assimétricas recompensam calibração, e calibração exige substância.

Terceira, o registro histórico sobre “não investir em habilidades que a tecnologia irá jogar para a obsolescência” não é encorajador. O mesmo argumento foi feito sobre programação nos anos 1990 (“compiladores escreverão código”), sobre letramento estatístico nos anos 2010 (“AutoML cuidará disso”), e sobre expertise de domínio repetidamente. Em cada caso, as tecnologias em questão de fato automatizaram partes substanciais do trabalho — e em cada caso, as pessoas posicionadas para tomar decisões consequentes foram as de conhecimento técnico mais profundo, não mais raso. A tecnologia elevou o piso do que conta como competência básica; não eliminou o valor da profundidade acima desse piso.

A forma irregular da próxima década

A narrativa conveniente do momento da IA é que as máquinas cuidarão do trabalho técnico pesado, libertando os humanos para o trabalho de alto valor de julgamento, criatividade e integração. A narrativa é atraente porque preserva uma autoimagem lisonjeira para gestores e suaviza as demandas cognitivas da transição.

As evidências são sem sentimentalismo. O trabalho de alto valor de julgamento, abstração, criatividade e integração não se tornou mais fácil na era da IA. Tornou-se mais difícil, porque agora exige a habilidade adicional de avaliar, calibrar e restringir outputs de um sistema que é simultaneamente mais capaz e mais confiantemente errado do que qualquer coisa que tenhamos construído antes. As organizações que terão vantagem na próxima década serão aquelas cujos tomadores de decisão conseguirem fazer essa avaliação substantivamente entre o determinismo e a probabilidade.

Essa não é uma conclusão anti-humanista este argumento não é que os humanos importam menos. É que o tipo de humano que mais importa tem habilidades de julgamento calibrado e com sólida base técnica que vai além do ruído do mercado, sendo capaz de engajar produtivamente com máquinas mais inteligentes do que nós e reconhecer que não existe atalho.

Organizações que agirem sobre isso honestamente, começando agora, serão muito diferentes em 2030 das organizações que compraram a versão confortável da história. A diferença não será visível nos dashboards por mais dois ou três anos. Quando o for, o gap já será difícil de fechar.